論文の概要: Gaussian-Voxel Duet: A Dual-Scaffolding Hybrid Representation for Fast and Accurate Monocular Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2605.26616v1
• Date: Tue, 26 May 2026 06:53:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.709948
• Title: Gaussian-Voxel Duet: A Dual-Scaffolding Hybrid Representation for Fast and Accurate Monocular Surface Reconstruction
• Title（参考訳）: Gaussian-Voxel Duet: 高速かつ高精度な単分子表面再構成のための2次元合成ハイブリッド表現
• Authors: Zhenhua Du, Zhen Tan, Haoyu Zhang, Dewen Hu, Shuaifeng Zhi, Peidong Liu,
• Abstract要約: 3Dガウススプラッティングは、新規なビュー合成において顕著な成功を収めた。 しかし, 高速かつ高忠実な3次元再構成の追求は, 幾何精度と最適化効率のトレードオフによって長年拘束されてきた。 本稿では,足場アンコール型ガウシアンを共同最適化したスパース・ボクセル・足場に接続することで,よりよいトレードオフを図ろうとする。
• 参考スコア（独自算出の注目度）: 44.761930810527495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While 3D Gaussian Splatting has achieved remarkable success in photorealistic novel view synthesis, its pursuit of fast and high-fidelity 3D reconstruction has long been constrained by a trade-off between geometric accuracy and optimization efficiency. Methods specialized in image rendering converge quickly at the cost of imperfect geometry caused by superfluous primitives overfitting training views, while methods integrating neural signed-distance field (SDF) for better geometry incur prohibitive training costs. In this paper, we attempt to strike a better trade-off by tethering scaffold-anchored Gaussians to a jointly optimized sparse voxel scaffold. This hybrid Gaussian-Voxel representation explicitly confines anchored Gaussians to a narrow band around surfaces defined by voxelized SDFs, which effectively improves representation efficiency and condenses floating Gaussians without sacrificing geometry quality. An implicit surface tethering loss further pulls individual Gaussian primitives closer to SDF-induced surfaces in a mutually regularized manner for improved reconstruction accuracy. Extensive experiments on diverse real-world indoor scenes from ScanNet++, ScanNetv2, and DeepBlending datasets demonstrate that our method achieves state-of-the-art surface reconstruction quality as well as superior novel view synthesis against leading baselines, while maintaining fast training convergence and real-time rendering. Code will be available at https://github.com/duzh11/VoxelGS.
• Abstract（参考訳）: 3Dガウススプラッティングは、フォトリアリスティックなノベルビュー合成において顕著な成功を収めてきたが、高速かつ高忠実な3D再構成の追求は、幾何学的精度と最適化効率のトレードオフによって長い間拘束されてきた。 画像レンダリングに特化する手法は、過剰なプリミティブがトレーニングビューをオーバーフィットさせることによって生じる不完全な幾何学のコストで急速に収束し、また、より優れた幾何学的不正なトレーニングコストのために、SDF(Neural signed-Distance Field)を統合する手法が有効である。 本稿では,足場アンコール型ガウシアンを共同最適化したスパース・ボクセル・足場に接続することで,よりよいトレードオフを図ろうとする。 このハイブリッドガウス-ボクセル表現は、ボクセル化SDFによって定義される表面の狭い帯に、アンカー付きガウスを明示的に閉じ込め、表現効率を効果的に改善し、幾何学的品質を犠牲にすることなく浮動ガウスを凝縮する。 暗黙の面テザリング損失により、個別のガウスプリミティブがSDFにより誘導される表面に互いに規則化された方法で近づくことにより、再構成精度が向上する。 ScanNet++、ScanNetv2、DeepBlendingの様々な屋内シーンの大規模な実験により、我々の手法は、高速なトレーニング収束とリアルタイムレンダリングを維持しつつ、最先端のベースラインに対する優れた新規ビュー合成だけでなく、最先端の表面再構成品質を達成することを示した。 コードはhttps://github.com/duzh11/VoxelGS.comで入手できる。

関連論文リスト

• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [86.87464903285208]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• GaussianRoom: Improving 3D Gaussian Splatting with SDF Guidance and Monocular Cues for Indoor Scene Reconstruction [5.112375652774415]
  本稿では,SDFと3DGSを統合し,正確な幾何再構成とリアルタイムレンダリングを行う統合最適化フレームワークを提案する。 本手法は, 表面再構成と新しいビュー合成の両面において, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-05-30T03:46:59Z)
• Gaussian Opacity Fields: Efficient Adaptive Surface Reconstruction in Unbounded Scenes [50.92217884840301]
  Gaussian Opacity Fields (GOF)は、シーンにおける効率的で高品質で適応的な表面再構成のための新しいアプローチである。 GOFは3Dガウスのレイトレーシングに基づくボリュームレンダリングに由来する。 GOFは、表面再構成と新しいビュー合成において、既存の3DGSベースの手法を超越している。
  論文  参考訳（メタデータ） (2024-04-16T17:57:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。